如何高效生成趋势有序的全局唯一ID？

|

生成一个记录标识的需求，例如：

  1. 消息标识：message-id
  2. 订单标识：order-id
  3. 帖子标识：tiezi-id

这个记录标识往往就是数据库中的唯一主键，数据库上会建立聚集索引（cluster index），即在物理存储上以这个字段排序。

这个记录标识上的查询，往往又有分页或者排序的业务需求，例如：

  • 拉取最新的一页消息：selectmessage-id/ order by time/ limit 100
  • 拉取最新的一页订单：selectorder-id/ order by time/ limit 100
  • 拉取最新的一页帖子：selecttiezi-id/ order by time/ limit 100
    所以往往要有一个time字段，并且在time字段上建立普通索引（non-cluster index）。

我们都知道普通索引存储的是实际记录的指针，其访问效率会比聚集索引慢，如果记录标识在生成时能够基本按照时间有序，则可以省去这个time字段的索引查询：
select message-id/ (order by message-id)/limit 100
再次强调，能这么做的前提是，message-id的生成基本是趋势时间递增的。

两大核心需求：

  1. 全局唯一
  2. 趋势有序

常见方法、不足、优化

1.用数据库的 auto_increment

优点：

  1. 简单，使用数据库已有的功能
  2. 能够保证唯一性
  3. 能够保证递增性
  4. 步长固定

缺点：

  1. 可用性难以保证：数据库常见架构是一主多从+读写分离，生成自增ID是写请求，主库挂了就玩不转了
  2. 扩展性差，性能有上限：因为写入是单点，数据库主库的写性能决定ID的生成性能上限，并且难以扩展

改进方法：

  1. 增加主库，避免写入单点
  2. 数据水平切分，保证各主库生成的ID不重复

pic

如上图所述，由1个写库变成3个写库，每个写库设置不同的auto_increment初始值，以及相同的增长步长，以保证每个数据库生成的ID是不同的（上图中库0生成0,3,6,9…，库1生成1,4,7,10，库2生成2,5,8,11…）, 改进后的架构保证了可用性。

缺点是：

  1. 丧失了ID生成的“绝对递增性”：先访问库0生成0,3，再访问库1生成1，可能导致在非常短的时间内，ID生成不是绝对递增的（这个问题不大，我们的目标是趋势递增，不是绝对递增）
  2. 数据库的写压力依然很大，每次生成ID都要访问数据库
    为了解决上述两个问题，引出了第二个常见的方案

单点批量ID生成服务

分布式系统之所以难，很重要的原因之一是“没有一个全局时钟，难以保证绝对的时序”，要想保证绝对的时序，还是只能使用单点服务，用本地时钟保证“绝对时序”。数据库写压力大，是因为每次生成ID都访问了数据库，可以使用批量的方式降低数据库写压力。

pic

如上图所述，数据库使用双master保证可用性，数据库中只存储当前ID的最大值，例如0。ID生成服务假设每次批量拉取6个ID，服务访问数据库，将当前ID的最大值修改为5，这样应用访问ID生成服务索要ID，ID生成服务不需要每次访问数据库，就能依次派发0,1,2,3,4,5这些ID了，当ID发完后，再将ID的最大值修改为11，就能再次派发6,7,8,9,10,11这些ID了，于是数据库的压力就降低到原来的1/6了。

优点：

  1. 保证了ID生成的绝对递增有序
  2. 大大的降低了数据库的压力，ID生成可以做到每秒生成几万几十万个

缺点：

  1. 服务仍然是单点
  2. 如果服务挂了，服务重启起来之后，继续生成ID可能会不连续，中间出现空洞（服务内存是保存着0,1,2,3,4,5，数据库中max-id是5，分配到3时，服务重启了，下次会从6开始分配，4和5就成了空洞，不过这个问题也不大）
  3. 虽然每秒可以生成几万几十万个ID，但毕竟还是有性能上限，无法进行水平扩展

改进方法：

单点服务的常用高可用优化方案是“备用服务”，也叫“影子服务”， 所以我们能用以下方法优化上述缺点（1）：

pic
如上图，对外提供的服务是主服务，有一个影子服务时刻处于备用状态，当主服务挂了的时候影子服务顶上。这个切换的过程对调用方是透明的，可以自动完成，常用的技术是vip+keepalived，具体就不在这里展开。

uuid

上述方案来生成ID，虽然性能大增，但由于是单点系统，总还是存在性能上限的。同时，上述两种方案，不管是数据库还是服务来生成ID，业务方Application都需要进行一次远程调用，比较耗时。有没有一种本地生成ID的方法，即高性能，又时延低呢？

uuid是一种常见的方案：string ID = GenUUID();

优点：

  1. 本地生成ID，不需要进行远程调用，时延低
  2. 扩展性好，基本可以认为没有性能上限
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
// com_create_guid()
function guid(){
    if (function_exists('com_create_guid')){
        return com_create_guid();
    }else{
        mt_srand((double)microtime()*10000);//optional for php 4.2.0 and up.
        $charid = strtoupper(md5(uniqid(rand(), true)));
        $hyphen = chr(45);// "-"
        $uuid = chr(123)// "{"
                .substr($charid, 0, 8).$hyphen
                .substr($charid, 8, 4).$hyphen
                .substr($charid,12, 4).$hyphen
                .substr($charid,16, 4).$hyphen
                .substr($charid,20,12)
                .chr(125);// "}"
        return $uuid;
    }
}
echo guid();

缺点：

  1. 无法保证趋势递增
  2. uuid过长，往往用字符串表示，作为主键建立索引查询效率低，常见优化方案为“转化为两个uint64整数存储”或者“折半存储”（折半后不能保证唯一性）

取当前毫秒数

uuid是一个本地算法，生成性能高，但无法保证趋势递增，且作为字符串ID检索效率低，有没有一种能保证递增的本地算法呢？
取当前毫秒数是一种常见方案：uint64 ID = GenTimeMS();

优点：

  1. 本地生成ID，不需要进行远程调用，时延低
  2. 生成的ID趋势递增
  3. 生成的ID是整数，建立索引后查询效率高

缺点：

（1）如果并发量超过1000，会生成重复的ID, 当然，使用微秒可以降低冲突概率，但每秒最多只能生成1000000个ID，再多的话就一定会冲突了，所以使用微秒并不从根本上解决问题。

类snowflake算法 snowflake

snowflake是twitter开源的分布式ID生成算法.

0—0000000000 0000000000 0000000000 0000000000 0 — 00000 —00000 —000000000000

pic

“41bit的时间戳可以支持该算法使用年限：(时间差的毫秒数)”, (1L << 41) / (3600L 24 365 * 1000.0)，其中1L为长整形，位移41位为 ： 2199023255552 /31536000000=69.73057000101471
“10bit的工作机器id数量：{0}”, (1L << 10) - 1 为： 1023
“12bit序列id数量：{0}”, (1L << 12) - 1 为：4095

一个long型的ID，使用其中41bit作为毫秒数，10bit作为机器编号，12bit作为毫秒内序列号。这个算法单机每秒内理论上最多可以生成1000 * (2^12-1) 或 1000 * ((1 << 12)- 1)，也就是4096000个ID。

借鉴snowflake的思想，结合各公司的业务逻辑和并发量，可以实现自己的分布式ID生成算法。

举例，假设某公司ID生成器服务的需求如下：

  1. 单机高峰并发量小于1W，预计未来5年单机高峰并发量小于10W
  2. 有2个机房，预计未来5年机房数量小于4个
  3. 每个机房机器数小于100台
  4. 目前有5个业务线有ID生成需求，预计未来业务线数量小于10个

分析过程如下：

  1. 高位取从2016年1月1日到现在的毫秒数（假设系统ID生成器服务在这个时间之后上线），假设系统至少运行10年，那至少需要 10年*365天*24小时*3600秒*1000毫秒=320*10^9，差不多预留39bit给毫秒
  2. 每秒的单机高峰并发量小于10W，即平均每毫秒的单机高峰并发量小于100，差不多预留7bit给每毫秒内序列号
  3. 5年内机房数小于4个，预留2bit给机房标识
  4. 每个机房小于100台机器，预留7bit给每个机房内的服务器标识
  5. 业务线小于10个，预留4bit给业务线标识

优点：

这样设计的64bit标识，可以保证：

  1. 每个业务线、每个机房、每个机器生成的ID都是不同的
  2. 同一个机器，每个毫秒内生成的ID都是不同的
  3. 同一个机器，同一个毫秒内，以序列号区区分保证生成的ID是不同的
  4. 将毫秒数放在最高位，保证生成的ID是趋势递增的

缺点：

（1）由于“没有一个全局时钟”，每台服务器分配的ID是绝对递增的，但从全局看，生成的ID只是趋势递增的（有些服务器的时间早，有些服务器的时间晚）
最后一个容易忽略的问题：
生成的ID，例如message-id/ order-id/ tiezi-id，在数据量大时往往需要分库分表，这些ID经常作为取模分库分表的依据，为了分库分表后数据均匀，ID生成往往有“取模随机性”的需求，所以我们通常把每秒内的序列号放在ID的最末位，保证生成的ID是随机的。
又如果，我们在跨毫秒时，序列号总是归0，会使得序列号为0的ID比较多，导致生成的ID取模后不均匀。解决方法是，序列号不是每次都归0，而是归一个0到9的随机数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
class Snowflake
{

    //工作机器id的bit段拆分为前5个bit标记workerid，后5个bit标记datacenterid
    const int WorkerIdBits = 5;
    const int DatacenterIdBits = 5;
    //序列号bit数
    const int SequenceBits = 12;
    //最大编号限制
    const long MaxWorkerId = -1L ^ (-1L << WorkerIdBits);
    const long MaxDatacenterId = -1L ^ (-1L << DatacenterIdBits);
    private const long SequenceMask = -1L ^ (-1L << SequenceBits);
    //位左运算移动量
    public const int WorkerIdShift = SequenceBits;
    public const int DatacenterIdShift = SequenceBits + WorkerIdBits;
    public const int TimestampLeftShift = SequenceBits + WorkerIdBits + DatacenterIdBits;

    //序列号记录
    private long _sequence = 0L;
    //时间戳记录
    private long _lastTimestamp = -1L;


    public long WorkerId { get; protected set; }
    public long DatacenterId { get; protected set; }

    public Snowflake(long workerId, long datacenterId, long sequence = 0L) 
    {
        WorkerId = workerId;
        DatacenterId = datacenterId;
        _sequence = sequence;
    
        // sanity check for workerId
        if (workerId > MaxWorkerId || workerId < 0) 
        {
            throw new ArgumentException( String.Format("worker Id can't be greater than {0} or less than 0", MaxWorkerId) );
        }

        if (datacenterId > MaxDatacenterId || datacenterId < 0)
        {
            throw new ArgumentException( String.Format("datacenter Id can't be greater than {0} or less than 0", MaxDatacenterId));
        }

    }
    /// <summary>
    /// 格林时间戳
    /// </summary>
    /// <returns></returns>
    public long TimeGen()
    {
        DateTime Jan1st1970 = new DateTime(1970, 1, 1, 0, 0, 0, DateTimeKind.Utc);//
        return (long)(DateTime.UtcNow - Jan1st1970).TotalMilliseconds;
    }

    readonly object _lock = new Object();

    public virtual long NextId()
    {
        lock (_lock)
        {
            var timestamp = TimeGen();

            if (timestamp < _lastTimestamp)
            {
                throw new InvalidSystemClock(String.Format(
                    "发现最新时间戳少{0}毫秒的异常", _lastTimestamp - timestamp));
            }

            if (_lastTimestamp == timestamp)
            {
                _sequence = (_sequence + 1) & SequenceMask;
                if (_sequence == 0)
                {
                    //序列号超过限制，重新取时间戳
                    timestamp = TilNextMillis(_lastTimestamp);
                }
            }
            else
            {
                _sequence = 0;
            }

            _lastTimestamp = timestamp;
            //snowflake算法
            var id = (timestamp << TimestampLeftShift) |
                     (DatacenterId << DatacenterIdShift) |
                     (WorkerId << WorkerIdShift) | _sequence;

            return id;
        }
    }
    /// <summary>
    /// 重新取时间戳
    /// </summary>
    protected virtual long TilNextMillis(long lastTimestamp)
    {
        var timestamp = TimeGen();
        while (timestamp <= lastTimestamp)
        {
            //新的时间戳要大于旧的时间戳，才算作有效时间戳
            timestamp = TimeGen();
        }
        return timestamp;
    }
}
分享即是成长